Please use this identifier to cite or link to this item: https://hdl.handle.net/1822/83243

TitleShopping trends: a machine learning approach to recommendation systems to improve customer loyalty
Author(s)Lacerda, Paulo Henrique Alves de
Advisor(s)Fernandes, João M.
KeywordsRecommendation system
Machine learning
Clustering
Web application
Python
Loyalty program
Retail
Modelo de recomendação
Aplicação web
Programa de lealdade
Retalho
Issue date2022
Abstract(s)Digital disruption continues to grow in retail, forcing retailers to get to better know their users and their shopping habits. In this process, it is clear that personalized experiences for each individual user are increasingly more attractive. Described in this document is the development process of a recommendation system (alternatively called recommender system) that takes into consideration a user’s purchase history and the respective appreciation of products. This model uses Machine Learning, specifically a clustering model, to learn about users’ preferences and make new and personalized recommendations. The process began with state-of-the-art extensive research on recommendation systems, implementing the model using machine learning, and respective evaluation of the model using specific metrics. In the end, a simple web application was created, using the Python programming language, where the results of the recommendation system were shown. In this application, the recommendations are organized into three different parts. One where the recommendations are shown based on the user’s history and preferences, considering stock values to help retailers balance their stock while selling, another part where it recommends whatever the retailer thinks is best, and finally, the last part recommends products most bought and rated by all users. Besides the recommendations, a loyalty program was also created that gives bonuses to users as they buy and earn points.
A disrupção digital continua a crescer no retalho, fazendo com que os retalhistas tenham que conhecer cada vez melhor os consumidores e os seus hábitos.Nesse processo é evidente que experiências personalizadas para cada utilizador são cada vez mais atraentes. Descrito neste documento está todo o processo de desenvolvimento de um modelo de recomendação que tem em conta o histórico de compras dos utilizadores e as suas respectivas avaliações dos produtos. Modelo este que usa machine learning, mais especificamente um modelo de clustering, para aprender os tais gostos dos utilizadores e fazer recomendações personalizadas de novos produtos. O processo passou por uma extensiva pesquisa do state-of-the-art de sistemas de recomendações, na implementação do modelo usando machine learning e respectiva avaliação do modelo com métricas específicas. No final foi criada uma aplicação web, feita toda ela na linguagem Python, onde se demonstram os resultados das recomendações. Nessa aplicação as recomendações foram dispostas em três partes, uma onde se recomendam com base no histórico do utilizador, tendo em conta também o stock disponível dos produtos para ajudar os retalhistas a fazer um balanceamento do stock, uma outra parte onde se recomenda com base no que o retalhista acha melhor e finalmente na terceira parte recomenda-se os produtos mais comprados e bem avaliados por todos os utilizadores. Além das recomendações, também foi criado um programa de lealdade que vai dando bonificações aos utilizadores à medida que estes vão comprando produtos e ganhando pontos.
TypeMaster thesis
DescriptionDissertação de mestrado integrado em Informatics Engineering
URIhttps://hdl.handle.net/1822/83243
AccessOpen access
Appears in Collections:BUM - Dissertações de Mestrado
DI/CCTC - Dissertações de Mestrado (master thesis)

Files in This Item:
File Description SizeFormat 
Paulo-Henrique-Lacerda-dissertação-final.pdf2,1 MBAdobe PDFView/Open

This item is licensed under a Creative Commons License Creative Commons

Partilhe no FacebookPartilhe no TwitterPartilhe no DeliciousPartilhe no LinkedInPartilhe no DiggAdicionar ao Google BookmarksPartilhe no MySpacePartilhe no Orkut
Exporte no formato BibTex mendeley Exporte no formato Endnote Adicione ao seu ORCID